refactor(prompt): SYSTEM_TEMPLATE diventa compositor — strategy controlla agent_role/pattern_guidance/instruction

Refactor architetturale: il prompt non e' piu' un template hardcoded ma viene
COMPOSTO at-runtime da scaffold core + contenuto strategy.

CORE scaffold (universal, fisso):
  - Grammar JSON spec (legato al protocol/compiler)
  - UNITA' regole semantiche
  - VINCOLI del validator
  - Esempio output

STRATEGY content (tunable in prompts.json):
  - agent_role: "Sei un agente generatore di ipotesi ... [crypto/forex/equity]"
  - pattern_guidance: sezione di archetipi tecnici, ora crypto-specific
  - instruction: frase finale del USER ("Genera una strategia ... [crypto]")
  - domain_warnings: NEW opzionale, per disclaimer di dominio (es. crypto 24/7)

Implementazione:
  - PromptLibrary v3.0: 4 nuovi campi top-level (agent_role, pattern_guidance,
    instruction, domain_warnings), parsati da prompts.json, default fallback in default()
  - hypothesis.py: SYSTEM_TEMPLATE constant rimossa, sostituita da
    _build_system_prompt(lib, genome) che compone scaffold + content
  - USER_TEMPLATE: ultima riga ora ha placeholder {instruction}
  - prompts.json v3.0 in strategy_crypto: agent_role + pattern_guidance +
    instruction + domain_warnings popolati con flavor crypto-specific

Pattern: "core = framework, strategy = contenuto". Per future strategie
(forex, equity), basta creare un prompts.json con flavor diverso, zero
modifiche al core. Universal scaffold (grammar, vincoli, units) e'
condiviso e mantiene la garanzia di parse/validate.

Test: +5 unit (compositor + PromptLibrary fields).
Tot: 232 test pass.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

src/multi_swarm_core/multi_swarm_core/agents/hypothesis.py

@@ -56,12 +56,9 @@ class HypothesisProposal:
     n_attempts: int = 1
 
 
-SYSTEM_TEMPLATE = """\
+# === CORE SCAFFOLD constants (universal, legato al protocol/compiler) ===
-Sei un agente generatore di ipotesi di trading quantitativo per un sistema swarm.
-
-Il tuo stile cognitivo: {cognitive_style}
-Direttiva personale: {system_prompt}
 
+_SYSTEM_GRAMMAR_SPEC = """\
 Devi proporre una strategia di trading espressa in JSON STRETTO.
 La risposta deve essere un singolo oggetto JSON dentro fence ```json...```
 con questa shape:
@@ -136,35 +133,18 @@ Esempi di gating temporale:
   {{"op": "eq", "args": [{{"kind": "feature", "name": "is_weekend"}}, {{"kind": "literal", "value": 1}}]}}
 
 Leaf - letterale numerico:
-  {{"kind": "literal", "value": 70.0}}
+  {{"kind": "literal", "value": 70.0}}"""
-
-PATTERN GUIDANCE (oltre agli indicatori, considera forma delle curve e ripetibilità):
-
-  Forme di curva:
-  - Trend ascendente: SMA(short) > SMA(long) E close > SMA(short)
-  - Trend discendente: SMA(short) < SMA(long) E close < SMA(short)
-  - Compressione di volatilità (pre-breakout): atr_pct(N) < 0.01 (sotto 1% del prezzo)
-  - Espansione di volatilità: atr_pct(N) > 0.03 (sopra 3%) OPPURE ATR(N) > ATR(N*2) confronto relativo
-  - Mean reversion strutturale: sma_pct(long) > 0.05 (close 5% sopra media) OR sma_pct(long) < -0.05
-  - Momentum positivo conferma: macd_pct(12,26,9) > 0.005 (> 0.5% del prezzo)
-
-  Ripetibilità dell'andamento:
-  - Eventi crossover/crossunder ricorrenti (golden/death cross, RSI cross zone)
-  - Pattern intra-day: usa 'hour' per sfruttare orari di forte volatilità ricorrente
-  - Pattern settimanali: usa 'dow' o 'is_weekend' per cicli mercato
-  - Doppio top approx: RSI > 70 + crossunder RSI 70 (1° picco), poi entro N bar
-    nuovo crossover RSI 70 a livello close simile → entry short
-  - Range breakout: close > SMA(N) con SMA(short) > SMA(long) (compressione + spinta)
-
-  Cerca pattern che si REPLICANO nei dati storici, non singoli eventi rari.
 
+_SYSTEM_CONSTRAINTS = """\
 VINCOLI
 - Gli indicator NON sono annidabili: 'params' accetta solo numeri, mai altri nodi.
 - Le regole sono valutate in ordine; la prima che matcha vince per ogni timestamp.
 - Default action se nessuna regola matcha = flat.
 - 'op' e 'kind' sono mutuamente esclusivi sullo stesso nodo.
 
-Rispondi SOLO con il fence ```json...``` contenente l'oggetto strategy.
+Rispondi SOLO con il fence ```json...``` contenente l'oggetto strategy."""
+
+_SYSTEM_EXAMPLE = """\
 Esempio:
 
 ```json
@@ -186,8 +166,40 @@ Esempio:
     }}
   ]
 }}
-```
+```"""
-"""
+
+
+def _build_system_prompt(lib: PromptLibrary, genome: HypothesisAgentGenome) -> str:
+    """Compone il SYSTEM prompt da scaffold core + contenuto strategy-specific."""
+    parts: list[str] = []
+    # 1. Header strategy-specific (da prompts.json)
+    parts.append(lib.agent_role)
+    parts.append("")
+    # 2. Cognitive style + directive (sempre, dal genome)
+    parts.append(f"Il tuo stile cognitivo: {genome.cognitive_style}")
+    parts.append(f"Direttiva personale: {genome.system_prompt}")
+    parts.append("")
+    # 3. Grammar spec (core scaffold)
+    parts.append(_SYSTEM_GRAMMAR_SPEC)
+    # 4. Pattern guidance (da prompts.json, opzionale)
+    if lib.pattern_guidance:
+        parts.append(
+            "\nPATTERN GUIDANCE (oltre agli indicatori, considera forma delle curve e ripetibilità):\n"
+        )
+        parts.append(lib.pattern_guidance)
+        parts.append(
+            "\n  Cerca pattern che si REPLICANO nei dati storici, non singoli eventi rari.\n"
+        )
+    # 5. Domain warnings (da prompts.json, opzionale)
+    if lib.domain_warnings:
+        parts.append("\nWARNING DI DOMINIO:\n")
+        parts.append(lib.domain_warnings)
+        parts.append("")
+    # 6. Vincoli (core scaffold)
+    parts.append(_SYSTEM_CONSTRAINTS)
+    # 7. Esempio (core scaffold)
+    parts.append(_SYSTEM_EXAMPLE)
+    return "\n".join(parts)
 
 
 USER_TEMPLATE = """\
@@ -213,7 +225,7 @@ Geometria & frattali:
 Feature accessibili dal tuo genoma: {feature_access}.
 Lookback massimo che puoi usare nel ragionamento: {lookback_window} barre.
 
-Genera una strategia che cerchi anomalie sfruttabili in questo regime.
+{instruction}
 """
 
 
@@ -361,10 +373,7 @@ class HypothesisAgent:
         genome: HypothesisAgentGenome,
         market: MarketSummary,
     ) -> HypothesisProposal:
-        system = SYSTEM_TEMPLATE.format(
+        system = _build_system_prompt(self._prompt_library, genome)
-            cognitive_style=genome.cognitive_style,
-            system_prompt=genome.system_prompt,
-        )
         dominant_cycle_str = (
             f"{market.dominant_cycle:.0f} barre"
             if market.dominant_cycle is not None
@@ -372,6 +381,10 @@ class HypothesisAgent:
         )
         focus_keys = self._prompt_library.focus_metrics_for(genome.cognitive_style)
         focus_block = _render_focus_block(focus_keys, market) if focus_keys else ""
+        instruction = (
+            self._prompt_library.instruction
+            or "Genera una strategia che cerchi anomalie sfruttabili in questo regime."
+        )
         original_user = USER_TEMPLATE.format(
             symbol=market.symbol,
             timeframe=market.timeframe,
@@ -396,6 +409,7 @@ class HypothesisAgent:
             dominant_cycle_str=dominant_cycle_str,
             feature_access=", ".join(genome.feature_access),
             lookback_window=genome.lookback_window,
+            instruction=instruction,
         ) + focus_block
 
         completions: list[CompletionResult] = []

src/multi_swarm_core/multi_swarm_core/genome/prompt_library.py

@@ -15,7 +15,11 @@ Schema JSON atteso::
     "styles": {
       "<name>": {"directive": "<testo system_prompt>"},
       ...
-    }
+    },
+    "agent_role": "<descrizione agente, opzionale>",
+    "pattern_guidance": "<sezione PATTERN GUIDANCE, opzionale>",
+    "instruction": "<frase finale USER, opzionale>",
+    "domain_warnings": "<warning di dominio, opzionale>"
   }
 
 I 6 stili default (physicist, biologist, historian, meteorologist,
@@ -26,7 +30,7 @@ per backcompat con test/script senza file esterno.
 from __future__ import annotations
 
 import json
-from dataclasses import dataclass
+from dataclasses import dataclass, field
 from pathlib import Path
 
 _DEFAULT_STYLES: dict[str, str] = {
@@ -61,12 +65,39 @@ class PromptLibraryError(ValueError):
     """Sollevata su JSON malformato o stili invalid."""
 
 
+_DEFAULT_PATTERN_GUIDANCE = (
+    "Forme di curva: trend (SMA cross), compressione volatilita (atr_pct basso), "
+    "espansione volatilita (atr_pct alto), mean reversion (sma_pct estremo), "
+    "momentum (macd_pct, rsi zone).\n\n"
+    "  Ripetibilita dell'andamento: crossover/crossunder ricorrenti, pattern intra-day "
+    "(hour gate), pattern settimanali (dow/is_weekend), range breakout."
+)
+
+_DEFAULT_AGENT_ROLE = (
+    "Sei un agente generatore di ipotesi di trading quantitativo per un sistema swarm."
+)
+
+_DEFAULT_INSTRUCTION = (
+    "Genera una strategia che cerchi anomalie sfruttabili in questo regime."
+)
+
+
 @dataclass(frozen=True)
 class PromptLibrary:
-    """Set immutabile di stili cognitivi + direttive system_prompt."""
+    """Set immutabile di stili cognitivi + direttive system_prompt.
+
+    v3.0: aggiunge 4 campi top-level strategy-specific iniettabili nel prompt
+    dal compositor ``_build_system_prompt``. Tutti opzionali con default sensati
+    per backcompat.
+    """
 
     styles: dict[str, str]
     focus: dict[str, list[str]]  # style -> lista metriche prioritarie
+    # NEW v3.0: contenuto strategy-specific iniettabile nel prompt
+    agent_role: str = field(default="")       # header SYSTEM, descrive chi e' l'agente
+    pattern_guidance: str = field(default="") # sezione PATTERN GUIDANCE del SYSTEM
+    instruction: str = field(default="")      # frase finale USER ("Genera una strategia...")
+    domain_warnings: str = field(default="")  # opzionale: warning di dominio (es. crypto 24/7)
 
     def __post_init__(self) -> None:
         if not self.styles:
@@ -78,15 +109,48 @@ class PromptLibrary:
                 raise PromptLibraryError(
                     f"directive vuota o invalida per stile {name!r}"
                 )
+        # Validate new optional string fields: if provided must be non-whitespace
+        for field_name, value in (
+            ("agent_role", self.agent_role),
+            ("pattern_guidance", self.pattern_guidance),
+            ("instruction", self.instruction),
+            ("domain_warnings", self.domain_warnings),
+        ):
+            if not isinstance(value, str):
+                raise PromptLibraryError(
+                    f"campo '{field_name}' deve essere stringa, non {type(value)}"
+                )
+            if value and not value.strip():
+                raise PromptLibraryError(
+                    f"campo '{field_name}' fornito ma contiene solo whitespace"
+                )
 
     @classmethod
     def default(cls) -> PromptLibrary:
         """Libreria builtin con i 6 stili originali (fallback senza file)."""
-        return cls(styles=dict(_DEFAULT_STYLES), focus={})
+        return cls(
+            styles=dict(_DEFAULT_STYLES),
+            focus={},
+            agent_role=_DEFAULT_AGENT_ROLE,
+            pattern_guidance=_DEFAULT_PATTERN_GUIDANCE,
+            instruction=_DEFAULT_INSTRUCTION,
+            domain_warnings="",
+        )
 
     @classmethod
     def from_json(cls, path: Path | str) -> PromptLibrary:
-        """Carica da file JSON con schema ``{"styles": {<name>: {"directive": "...", "focus_metrics": [...]}}}``."""
+        """Carica da file JSON.
+
+        Schema::
+
+          {
+            "styles": {<name>: {"directive": "...", "focus_metrics": [...]}},
+            "agent_role": "...",          // opzionale
+            "pattern_guidance": "...",    // opzionale
+            "instruction": "...",         // opzionale
+            "domain_warnings": "..."      // opzionale
+          }
+        """
         p = Path(path)
         try:
             data = json.loads(p.read_text(encoding="utf-8"))
@@ -120,7 +184,21 @@ class PromptLibrary:
                     f"focus_metrics di {name!r} deve essere lista, non {type(fm)}"
                 )
             focus[name] = [str(x) for x in fm]
-        return cls(styles=styles, focus=focus)
+
+        # Parse new optional top-level fields (v3.0)
+        agent_role = data.get("agent_role", "")
+        pattern_guidance = data.get("pattern_guidance", "")
+        instruction = data.get("instruction", "")
+        domain_warnings = data.get("domain_warnings", "")
+
+        return cls(
+            styles=styles,
+            focus=focus,
+            agent_role=agent_role,
+            pattern_guidance=pattern_guidance,
+            instruction=instruction,
+            domain_warnings=domain_warnings,
+        )
 
     @property
     def cognitive_styles(self) -> tuple[str, ...]:

src/multi_swarm_core/tests/unit/test_hypothesis_agent.py

@@ -299,3 +299,74 @@ def test_propose_no_focus_block_when_style_not_in_library(mocker):  # type: igno
     call_kwargs = fake_llm.complete.call_args.kwargs
     user_msg = call_kwargs["user"]
     assert "Focus per la tua lente:" not in user_msg
+
+
+def test_build_system_prompt_includes_role_and_guidance_from_library(mocker):  # type: ignore[no-untyped-def]
+    """agent_role e pattern_guidance da PromptLibrary appaiono nel SYSTEM prompt."""
+    fake_llm = mocker.MagicMock()
+    fake_llm.complete.return_value = CompletionResult(
+        text=VALID_STRATEGY_JSON,
+        input_tokens=200,
+        output_tokens=80,
+        tier=ModelTier.C,
+        model="qwen",
+    )
+    lib = PromptLibrary(
+        styles={"physicist": "Pensa come un fisico."},
+        focus={},
+        agent_role="ROLE_X",
+        pattern_guidance="GUIDE_X",
+    )
+    agent = HypothesisAgent(llm=fake_llm, prompt_library=lib)
+    agent.propose(make_genome(), make_summary())
+    call_kwargs = fake_llm.complete.call_args.kwargs
+    system_msg = call_kwargs["system"]
+    assert "ROLE_X" in system_msg
+    assert "GUIDE_X" in system_msg
+
+
+def test_build_system_prompt_skips_empty_optional_sections(mocker):  # type: ignore[no-untyped-def]
+    """domain_warnings='' e pattern_guidance='' → sezioni opzionali assenti nel SYSTEM."""
+    fake_llm = mocker.MagicMock()
+    fake_llm.complete.return_value = CompletionResult(
+        text=VALID_STRATEGY_JSON,
+        input_tokens=200,
+        output_tokens=80,
+        tier=ModelTier.C,
+        model="qwen",
+    )
+    lib = PromptLibrary(
+        styles={"physicist": "Pensa come un fisico."},
+        focus={},
+        domain_warnings="",
+        pattern_guidance="",
+    )
+    agent = HypothesisAgent(llm=fake_llm, prompt_library=lib)
+    agent.propose(make_genome(), make_summary())
+    call_kwargs = fake_llm.complete.call_args.kwargs
+    system_msg = call_kwargs["system"]
+    assert "WARNING DI DOMINIO" not in system_msg
+    assert "PATTERN GUIDANCE" not in system_msg
+
+
+def test_user_template_uses_instruction_from_library(mocker):  # type: ignore[no-untyped-def]
+    """instruction da PromptLibrary appare nel USER message; default non viene usato."""
+    fake_llm = mocker.MagicMock()
+    fake_llm.complete.return_value = CompletionResult(
+        text=VALID_STRATEGY_JSON,
+        input_tokens=200,
+        output_tokens=80,
+        tier=ModelTier.C,
+        model="qwen",
+    )
+    lib = PromptLibrary(
+        styles={"physicist": "Pensa come un fisico."},
+        focus={},
+        instruction="INSTR_X",
+    )
+    agent = HypothesisAgent(llm=fake_llm, prompt_library=lib)
+    agent.propose(make_genome(), make_summary())
+    call_kwargs = fake_llm.complete.call_args.kwargs
+    user_msg = call_kwargs["user"]
+    assert "INSTR_X" in user_msg
+    assert "Genera una strategia che cerchi anomalie sfruttabili in questo regime." not in user_msg

src/multi_swarm_core/tests/unit/test_prompt_library.py

@@ -0,0 +1,78 @@
+"""Unit tests per PromptLibrary v3.0 — nuovi campi top-level."""
+
+from __future__ import annotations
+
+import json
+import tempfile
+from pathlib import Path
+
+import pytest
+
+from multi_swarm_core.genome.prompt_library import PromptLibrary, PromptLibraryError
+
+
+def _write_json(data: dict, tmp_path: Path) -> Path:
+    p = tmp_path / "prompts.json"
+    p.write_text(json.dumps(data), encoding="utf-8")
+    return p
+
+
+def test_from_json_loads_new_top_level_fields(tmp_path: Path) -> None:
+    """from_json() legge agent_role, pattern_guidance, instruction, domain_warnings."""
+    data = {
+        "styles": {"physicist": {"directive": "Cerca leggi conservative."}},
+        "agent_role": "Sei un agente test.",
+        "pattern_guidance": "Forme di curva: trend, compressione.",
+        "instruction": "Genera qualcosa di utile.",
+        "domain_warnings": "Attenzione: mercato 24/7.",
+    }
+    lib = PromptLibrary.from_json(_write_json(data, tmp_path))
+    assert lib.agent_role == "Sei un agente test."
+    assert lib.pattern_guidance == "Forme di curva: trend, compressione."
+    assert lib.instruction == "Genera qualcosa di utile."
+    assert lib.domain_warnings == "Attenzione: mercato 24/7."
+
+
+def test_from_json_defaults_new_fields_when_absent(tmp_path: Path) -> None:
+    """from_json() usa stringa vuota come default per i 4 campi opzionali."""
+    data = {
+        "styles": {"physicist": {"directive": "Cerca leggi conservative."}},
+    }
+    lib = PromptLibrary.from_json(_write_json(data, tmp_path))
+    assert lib.agent_role == ""
+    assert lib.pattern_guidance == ""
+    assert lib.instruction == ""
+    assert lib.domain_warnings == ""
+
+
+def test_default_provides_universal_fallbacks() -> None:
+    """PromptLibrary.default() ha agent_role, pattern_guidance, instruction non vuoti; domain_warnings vuoto."""
+    lib = PromptLibrary.default()
+    assert lib.agent_role != ""
+    assert lib.pattern_guidance != ""
+    assert lib.instruction != ""
+    assert lib.domain_warnings == ""
+
+
+def test_prompt_library_rejects_whitespace_only_fields() -> None:
+    """Campi opzionali forniti ma solo whitespace sollevano PromptLibraryError."""
+    with pytest.raises(PromptLibraryError, match="agent_role"):
+        PromptLibrary(
+            styles={"physicist": "Cerca leggi."},
+            focus={},
+            agent_role="   ",
+        )
+
+
+def test_prompt_library_accepts_empty_string_for_optional_fields() -> None:
+    """Stringa vuota '' e' accettata per tutti i campi opzionali."""
+    lib = PromptLibrary(
+        styles={"physicist": "Cerca leggi."},
+        focus={},
+        agent_role="",
+        pattern_guidance="",
+        instruction="",
+        domain_warnings="",
+    )
+    assert lib.agent_role == ""
+    assert lib.domain_warnings == ""

src/strategy_crypto/strategy_crypto/prompts.json

@@ -1,9 +1,18 @@
 {
-  "_comment": "Stili cognitivi e direttive del system_prompt per il GA di strategy_crypto. Modifica liberamente: cambia 'directive' di uno stile esistente o aggiungi nuove voci a 'styles'. Il nome dello stile (key) viene usato come 'cognitive_style' del genoma; la 'directive' diventa il system_prompt iniziale.",
+  "_comment": "Stili cognitivi e direttive del system_prompt per il GA di strategy_crypto. Modifica liberamente: cambia 'directive' di uno stile esistente o aggiungi nuove voci a 'styles'. Il nome dello stile (key) viene usato come 'cognitive_style' del genoma; la 'directive' diventa il system_prompt iniziale. v3.0: aggiunti campi top-level agent_role, pattern_guidance, instruction, domain_warnings per il compositor del SYSTEM prompt.",
-  "_schema": "2.2",
+  "_schema": "3.0",
-  "_changelog": "v2.2 - Aggiunte 5 metriche geometrico-frattali (efficiency_ratio, tail_index, structural_uptrend, compression, spectral_entropy+dominant_cycle). Ogni stile dichiara focus_metrics: lista delle metriche prioritarie renderizzate come 'Focus per la tua lente' nel USER_TEMPLATE. Le metriche restano visibili a tutti gli stili (landscape GA smooth); il focus_metrics e' enfasi, non filtering. v3.0 - Riscrittura per accentuare differenziazione cognitiva. Ogni directive ora ha: (1) metafora ancorante riconoscibile e robusta a mutazione, (2) interpretazione operativa dei 6 input (skew/kurt/AR/Hurst/vol_pct/seasonality), (3) hint di struttura grammar-aware (and/or/crossover) senza prescrivere indicatori, (4) bias di scala temporale (lookback breve/medio/lungo), (5) archetipo dominante distintivo. Linguaggio attivo/generativo invece di 'preferisci'. ASCII-safe rigoroso. v2.1 - directive estese con interpretazione dei 4 nuovi input statistici. v2.0 - Riprogettato per blind-generator GA, 7 lenti mappate sulle statistiche aggregate.",
+  "_changelog": "v2.2 - Aggiunte 5 metriche geometrico-frattali (efficiency_ratio, tail_index, structural_uptrend, compression, spectral_entropy+dominant_cycle). Ogni stile dichiara focus_metrics: lista delle metriche prioritarie renderizzate come 'Focus per la tua lente' nel USER_TEMPLATE. Le metriche restano visibili a tutti gli stili (landscape GA smooth); il focus_metrics e' enfasi, non filtering. v2.1 - directive estese con interpretazione dei 4 nuovi input statistici. v2.0 - Riprogettato per blind-generator GA, 7 lenti mappate sulle statistiche aggregate. Stile precedente v3.0 changelog delle directive (differenziazione cognitiva) ora riflesso internamente nelle directive stesse. v3.0 - Refactor compositore: prompts.json ora controlla agent_role, pattern_guidance, instruction (top-level). Core fornisce solo lo SCAFFOLD universale (grammar JSON spec, units rules, vincoli del validator, esempio output). Pattern del core: 'core = framework, strategy = contenuto'. Strategy puo' tunare interamente il flavor del prompt senza toccare codice.",
-  "_design_notes": "Le directive sono BIAS DI ESPLORAZIONE, non template. Ogni lente ha una METAFORA DOMINANTE (es. physicist = sistema fisico; biologist = ecosistema) che funge da ancora semantica resistente alle riscritture di mutate_prompt_llm. Gli hint di struttura grammar-aware orientano la FORMA della strategia (numero condizioni, tipo combinazione) senza prescrivere quali indicatori usare: il GA scopre l'incarnazione. Gli hint di scala temporale producono bias naturali sul lookback_window (parametro evoluto). Differenziazione: ogni lente ha un ARCHETIPO DOMINANTE distinto (physicist=mean-reversion+momentum simmetrico; biologist=contrarian su crowding; historian=cicli e fasi; meteorologist=regime-switching; engineer=robustezza+SNR; military_strategist=offesa/difesa adattiva; psychologist=fade estremi emotivi).",
+  "_design_notes": "Le directive sono BIAS DI ESPLORAZIONE, non template. Ogni lente ha una METAFORA DOMINANTE (es. physicist = sistema fisico; biologist = ecosistema) che funge da ancora semantica resistente alle riscritture di mutate_prompt_llm. Gli hint di struttura grammar-aware orientano la FORMA della strategia (numero condizioni, tipo combinazione) senza prescrivere quali indicatori usare: il GA scopre l'incarnazione. Gli hint di scala temporale producono bias naturali sul lookback_window (parametro evoluto). Differenziazione: ogni lente ha un ARCHETIPO DOMINANTE distinto (physicist=mean-reversion+momentum simmetrico; biologist=contrarian su crowding; historian=cicli e fasi; meteorologist=regime-switching; engineer=robustezza+SNR; military_strategist=offesa/difesa adattiva; psychologist=fade estremi emotivi). v3.0: agent_role/pattern_guidance/instruction/domain_warnings sono contenuto strategy-specific iniettato nel compositor; il CORE scaffold (grammar, units, vincoli, esempio) e' universale e non modificabile da qui.",
   "_grammar_reference": "Operatori: and, or, not, gt, lt, eq, crossover, crossunder. Indicatori: sma, sma_pct, rsi, atr, atr_pct, realized_vol, macd, macd_pct. Features: OHLCV (filtered) + hour, dow, is_weekend, minute_of_hour. Azioni: entry-long, entry-short, exit, flat. Input statistici: mean, std, skew, kurt, vol_regime (low/medium/high), autocorr_lag1 (vs baseline), hurst, vol_pct (percentile storico), seasonality_hour, seasonality_dow, efficiency_ratio (Kaufman 0-1), tail_index_left/right (Hill), structural_uptrend (HH/HL 0-1), compression (range recent/ref), spectral_entropy (FFT 0-1), dominant_cycle (barre o N/A).",
+
+  "agent_role": "Sei un agente generatore di ipotesi di trading quantitativo per un sistema swarm coevolutivo specializzato in mercati crypto. Il tuo obiettivo e' proporre strategie che sfruttino regimi e anomalie del mercato crypto sottostante, contando sull'evoluzione GA per migliorarle nel tempo.",
+
+  "pattern_guidance": "Forme di curva:\n  - Trend ascendente: SMA(short) > SMA(long) E close > SMA(short)\n  - Trend discendente: SMA(short) < SMA(long) E close < SMA(short)\n  - Compressione di volatilita (pre-breakout): atr_pct(N) < 0.01 (sotto 1% del prezzo)\n  - Espansione di volatilita: atr_pct(N) > 0.03 OPPURE ATR(N) > ATR(N*2) (confronto relativo)\n  - Mean reversion strutturale: sma_pct(long) > 0.05 OR sma_pct(long) < -0.05\n  - Momentum positivo conferma: macd_pct(12,26,9) > 0.005\n\n  Ripetibilita dell'andamento:\n  - Eventi crossover/crossunder ricorrenti (golden/death cross, RSI cross zone)\n  - Pattern intra-day: usa 'hour' per sfruttare orari di forte volatilita ricorrente\n  - Pattern settimanali: usa 'dow' o 'is_weekend' per cicli mercato\n  - Doppio top approx: RSI > 70 + crossunder RSI 70 (1 picco), poi entro N bar nuovo crossover RSI 70 a livello close simile -> entry short\n  - Range breakout: close > SMA(N) con SMA(short) > SMA(long) (compressione + spinta)",
+
+  "instruction": "Genera una strategia che cerchi anomalie sfruttabili in questo regime crypto.",
+
+  "domain_warnings": "Crypto trada 24/7 senza CME gap: non assumere chiusure settimanali nelle strategie. Vol clustering esteso e tail pesanti caratterizzano BTC/ETH; evita ipotesi gaussiane. Funding rate non e' direttamente accessibile ma si riflette nei trend persistenti durante regimi di vol bassa.",
+
   "styles": {
     "physicist": {
       "directive": "Il mercato e un sistema fisico con energia (std), simmetrie (skew) e memoria (autocorr). Costruisci strategie che sfruttano due regimi fisici opposti. Equilibrio (skew vicino a 0, kurt bassa, autocorr vicino a baseline, vol_pct medio): il sistema fa mean reversion verso il potenziale stabile, costruisci entry contrarian su deviazioni significative (combina sma_pct in soglia + conferma oscillatoria in AND). Non-equilibrio (skew marcato, autocorr > baseline + 0.05, hurst > 0.55): forzante asimmetrica attiva, costruisci entry di propagazione (crossover di momentum in AND con gate vol). Vol_pct > 80 + kurt bassa = energia compressa, breakout imminente. efficiency_ratio alto = movimento efficiente (poco dissipato), costruisci su di esso; efficiency_ratio < 0.2 = dissipazione totale, evita trend-following. Spectral_entropy bassa con dominant_cycle definito = modi armonici sfruttabili (gate temporale su ciclo). Lookback medio-lungo (150-300): le scale fisiche emergono su orizzonti, non su singole barre. Una entry deve avere razionale conservativo (cosa si conserva?), non pattern fortuito.",